автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Коллективный алгоритм на базе нечеткой логики для обработки электрокардиологической информации в сложных сигнально-помеховых ситуациях

На правах рукописи

ШАМИН Евгений Анатольевич

КОЛЛЕКТИВНЫЙ АЛГОРИТМ НА БАЗЕ НЕЧЕТКОЙ ЛОГИКИ ДЛЯ ОБРАБОТКИ ЭЛЕКТРОКАРДИОЛОГИЧЕСКОЙ ИНФОРМАЦИИ В СЛОЖНЫХ СИГНАЛЬНО-ПОМЕХОВЫХ СИТУАЦИЯХ

Специальность 05.13.17 - теоретические основы информатики

Автореферат диссертации на соискание ученой степени кандидата технических наук

2 О ДЕК 2012

Пенза-2012

005047769

005047769

Работа выполнена в ФГБОУ ВПО "Пензенская государственная технологическая академия" на кафедре "Информационные технологии и менеджмент в медицинских и биотехнических системах".

Научный руководитель - Истомина Татьяна Викторовна,

доктор технических наук, профессор Официальные оппоненты: Михеев Михаил Юрьевич,

доктор технических наук, профессор, ФГБОУ ВПО «Пензенская государственная технологическая академия», заведующий кафедрой «Информационные технологии и системы»,

Солодимова Галина Анатольевна,

кандидат технических наук, ОАО «Научно-исследовательский институт электронно-механических приборов», начальник научно-технического центра испытаний и метрологического обеспечения.

Ведущая организация - ФГБОУ ВПО «Астраханский

государственный университет», г. Астрахань.

Защита диссертации состоится 27 декабря 2012 г., в 13 часов, на заседании диссертационного совета Д 212.337.01 при Пензенской государственной технологической академии по адресу: 440039, г. Пенза, пр. Байдукова / ул. Гагарина, д. 1а /11, корпус 1, конференц-зал.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО "Пензенская государственная технологическая академия".

Автореферат разослан 26 ноября 2012 г.

Ученый секретарь диссертационного совета

Чулков Валерий Александрович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В современном мире огромное значение имеет постоянное совершенствование информационного обеспечения различных сфер деятельности человека, в том числе, обеспечения обработки медицинской информации для принятия решений по результатам диагностических исследований. Создание эффективных медицинских информационных систем требует разработки новых информационных моделей процессов воспроизведения биосигналов в условиях помех, алгоритмической формализации процессов диагностики и принятия решений, а также совершенствования информационно-методического обеспечения для решения оценочных задач на стадии верификации полученных результатов.

Одним из наиболее информативных биосигналов является электрокардиосигнал (ЭКС). Многие проблемы, возникающие при автоматической обработке ЭКС, к настоящему времени уже решены. Однако решение задачи получения информации о состоянии сердечнососудистой системы в режиме свободной двигательной активности до сих пор сопряжено с преодолением значительных затруднений в процессе выделения и обработки информативной составляющей ввиду влияния интенсивных помех различного типа, энергетический спектр которых перекрывается со спектром ЭКС.

Для выявления путей эффективного ослабления влияния помех в системах обработки электрокардиографической (ЭКГ) информации необходимо проведение исследований электрической активности сердца в рамках системного подхода к описанию сложных прикладных объектов, к которым относятся биотехнические системы. Это предполагает разработку методов и средств обработки ЭКГ-информации на основе системного подхода с учетом взаимных связей элементов сложноорганизованной медицинской системы и биообъекта. Чтобы успешно проводить обработку ЭКГ-информации в этих условиях, необходимо установить причины возникновения помех, изучить структуру, спектральные и статистические характеристики ЭКС, его параметры в сложных сигнально-помеховых ситуациях (ССПС). Среди известных методов обработай ЭКГ-информации системный подход наиболее полно реализуется с помощью методов коллективного распознавания, основанных на согласованной агрегации решений отдельных алгоритмов. Общим недостатком известных технических решений подобного рода является их низкая эффективность в условиях неопределенности, обусловленных естественным разбросом параметров ЭКС в норме и при патологиях, а также влиянием помех.

Точное диагностическое заключение базируется на достоверной информации о функционировании сердечно-сосудистой системы пациента. В настоящее время не существует достаточно эффективных алюршмов выделения информативных элементов (ИЭ) ЭКС в сложных сигнально-помеховых ситуациях, атакже недостаточно проработаны вопросы сравнительною анализа эффективности различных алгоритмов обработки ЭКГ-информации в условиях интенсивных помех. Кроме того, существующие системы для кардиодиагностики не обеспечивают адаптацию к естественным изменениям сигнала в норме и при патологиях, атакже к флуктуациям помех. Все это не позволяет повысить достоверность результатов диагностики и, как следствие, улучшить качество медицинских услуг в целом.

В настоящее время в России и за рубежом достаточно активно развивается направление по разработке алгоритмов обработки ЭКГ-информации. Большой вклад в создание теоретических основ медицинских информационных систем внесли российские ученые: H.A. Кореневский, JI.A, Манило, А.П. Немирно, СВ, Селищев, JI.T. Сушшва, Л.И. Титомир, С.И. Щукин и др. Многие исследователи отмечают эффективность применения для обработки биомедицинской информации относительно нового математического подхода - теории нечеткой логики. Основным отличием такого подхода является возможность учета естественной вариабельности параметров биообъектов в реальном масштабе времени. Однако вопросы применения нечеткой математики для обработки ЭКГ-информации в

настоящее время проработаны недостаточно, поэтому в данном направлении необходимы

дальнейшие исоюдов^^^ можш заключить, что повышение эффективности обработки ЭКГ-информации коллективным алгоритмом на базе нечеткой логики в сложных сигнально-помеховых ситуациях является актуальной задачей научного исследования.

Объектом исследования является электрокардиографическая информация о

состоянии биообъекта.

Ппслмет исследования -модели информативных элементов элеюрокардиосигнала, информационные модели помех и сигнально-помеховых ситуаций, а также алгоритм обработки, повышающий эффективность работы систем кардиодиапюсшки.

Целью диссертационного исследования является разработка и верификация котлективного алгоритма на базе нечеткой логики для обработки элек-грокардиологтесши информации, обеспечивающего повышение точности диагностики состояния биообъекта в сложных сигнально-помеховых ситуациях.

Задачи исследования. -д. ™

1 Разработка системы информационно-лингвистических моделей информативных элементов электрокардиосигнала, помех и сложных сигнальных и

ситуаций на основе анализа методов обработки электрокардиографической информации в условиях интенсивных помех, возникающих в процессе ее получения.

2 разработкаоснованногонанечеткойлогикеколлективногоалгоритмаобработки

электрокардиологической информации, позволяющего адаптироваться к естественным юменениям элеюрокардиосигнала в норме и при патологиях, атакже к флуетуациям помех

РаЗЛИЧ3ОГИсТледование и оптимизация параметров разработанного коллективного алгоритма обработки электрокардиографической информации путем моделирования его

работы в пакете МаЛаЬ. „[;„„„„„„,,„

4 Разработка информационно-методического и программного обеспечения проведения верификации разработанного алгоритма в условиях интенсивных помех, анализ

^^^т^^^црг^я^няппавленногть исследования. Исследованиевключаетанализ проблем информационного обеспечения своевременной диагностики состояния биообъекта, рг^аботау коллективного алгоритма для анализа элекгрокардиологическои информации^ разработку системы информационно-лингвистических моделей сигнала, помех и сложных сигнально-помеховых ситуаций, рорабшку методики верификации ре^ьтагов

Диссертационное исследование направлено на совершенствование программного обеспечения для повышения эффективности работы медицинских информационных систем для кардиологии, обеспечивающих их конкурентоспособность на современном рынке

медицинской техники. „„„„,

Мртппм исследования. Для решения поставленных задач использовались методы цифровой обработки сигналов, теория сигналов, теоретический аппарат нечеткой логики, иишемивные методы распознавания, элементы математической статистики, а также методы имитационного и математического моделирования в среде МШЬаЬ.

Няучняя нпвиша полученных пезультатов заключается в следующем. 1 Разработана иерархическая система информационно-лингвистических моделей электрокардиосигнала, различных помех и сложных сигн^ьно-помеховых си^ации, позволяющее формализовать характерные признаки элекгрокардио1рафическои информации иТмдоеть тформатдаонно-методическос обеспечение верификации алгоритмов и систем

для каР2дио™в^™;1тезирован коллективный алгоритм на базе нечеткой логики для обработки электрокардиологической информации, позволяющий повысить диагностического эффективность засчет адаптации к естественным изменениям элеюрокардиосигнала в норме и при патологиях, атакже к флуктуациям помех различного вида

3. По результатам имитационного моделирования функционирования предложенною коллективного алгоритма на основе нечеткой логики оптимизированы его параметры в следующем сочетании: структура Сугено; система входных признаков ЭКС - мощность, коэффициент подобия, производная и продолжительность кардиоимпульса; схема дефаззификации по взвешенному среднему.

4. Разработана удовлетворяющая международным нормативам многоуровневая методика оценки эффективности методов обработки электрокардиографической информации в условиях нормы и в сложных сигнально-помеховых ситуациях, отвечающая требованиям универсальности, полноты и иерархичности, отличающаяся расширенными функциональными возможностями и позволяющая проводить верификацию результатов. Методика обеспечивает сравнительный анализ эффективности различных вариантов алгоритмов и систем для кардиодиагностики.

Положения, выносимые на защиту.

1. Система информационно-лингвистических моделей информативных элементов электрокардиосигнала, сопутствующих помех и сложных сигнально-помеховых ситуаций, позволяющая формализовать логику врача и создать универсальное иерархическое описание электрокардиосигнала.

2. Коллективный алгоритм на базе нечеткой логики для обработки электрокардиографической информации на основе структуры Сугено, отличающийся сочетанием оригинальной системы входных признаков электрокардиосигнала и схемы дефаззификации по взвешенному среднему.

3. Многоуровневая методика проведения верификации результатов исследований алгоритмов и систем для обработки электрокардиографической информации, позволяющая осуществлять их поэтапное тестирование в условиях сложных сигнальных и сигнально-помеховых ситуаций.

Обоснованность и достоверность научных результатов обеспечивается аргументированным применением математического аппарата, корректностью основных допущений и ограничений, положительными результатами испытаний и внедрениями, подтвержденными соответствующими актами.

Практическая значимость работы состоит в следующем.

1. Применение созданных адекватных информационных лингвистических моделей информативных элементов электрокардиосигнала, помех и сложных сигнально-помеховых ситуаций для разработки и тестирования медицинских систем обработки электрокардиографической информации повышает точность медицинской диагностики пациентов.

2. Использование новых модулей программного обеспечения повышает эффективность работы медицинских информационных систем для кардиологических исследований в режиме свободной двигательной активности.

Апробация работы. Основные положения и результаты диссертационной работы обсуждены: на I и III научных конференциях студентов, аспирантов и молодых ученых "Актуальные проблемы науки и образования" (г. Пенза, 2008,2010 гг.); на П и Ш всероссийских научно-технических конференциях "Информационные и управленческие технологии в медицине" (г. Пенза, 2008-2009 г.); на международной конференции "Биомедсистемы-2008" (г. Рязань, 2008 г.); на XI международной научно-технической конференции "Медико-экологические информационные технологии" (г. Курск, 2008 г.); на V, VI и VII межрегиональных научно-практических конференциях студентов и аспирантов "Инновационные технологии в экономике, информатике и медицине" (г. Пенза, 2008-2010 г.), на международном симпозиуме "Надежность и качество" (Пенза, 2010 г.).

Публикации и личный вклад автора. По теме диссертации опубликовано 13 печатных работ; из них 3 публикации в журналах, рекомендованных ВАК Все опубликованные результаты, составляющие содержание диссертации, получены автором самостоятельно.

Научному руководителю принадлежит постановка задач и участие в обобщении результатов исследований. Автор лично получал аналитические соотношения, проводил экспериментальные исследования, интерпретировал и обобщал полученные результаты,

формулировал выводы.

Стру1сгура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов, списка использованной литературы из 153 наименований. Диссертация изложена на 178 листах машинописного текста и содержит 59 рисунков и 6 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цели и задачи исследования, изложены основные положения, выносимые на защиту, показана научная новизна и практическая ценность диссертационной работы.

В первой главе на основе анализа проблем информационного обеспечения современной кардиодиагностики выявлено, что на результат принятия диагностического решения большое влияние оказывает неинформативная составляющая в виде помех различного вида и существенный индивидуальный разброс параметров в норме и при патологиях. С целью определения наиболее эффективных методов обработки ЭКГ-информации проведен их аналитический обзор, на основе которого выявлены преимущества и недостатки существующих методов и определены пути их

совершенствования.

Разнообразие применяемых алгоритмов обработки ЭКГ-информации свидетельствует о том, что задача надежного обнаружения и качественного распознавания информативных элементов при обработке сигналов сердца в настоящее время остается актуальной задачей для научных исследований. Каждый из рассмотренных подходов имеет определенные достоинства в частных условиях, но практически не дает возможности эффективно решать поставленные задачи в сложных сигнально-помеховых ситуациях, поскольку не учитывает индивидуального варьирования параметров в процессе мониторинга.

Таким образом, необходимы разработка и исследование алгоритмов обработки ЭКГ-информации, основанных на применении коллективов решающих правил, позволяющих объединить сильные стороны различных подходов. Кроме того, необходима модернизация коллективного подхода с целью придания ему способности адаптации решающих правил к индивидуальным изменениям информативных параметров ЭКС, что можно реализовать на

основе применения нечеткой логики.

Еще одной проблемой является верификация результатов, так как многие из представленных алгоритмов не были протестированы на стандартных ЭКГ-базах или вообще на каких-либо базах данных. Это делает невозможной сравнительную оценку результатов и обусловливает необходимость выработки универсальной методики верификации результатов работы авторских алгоритмов и алгоритмов-аналогов с применением международных аннотированных баз ЭКГ-данных и установления системы критериев оценки этих результатов.

Для этого необходимо создать модель сложных сигнально-помеховых ситуаций, которая позволит описать ЭКС в следующих случаях: зашумленный сигнал; электродные артефакты; дрейф изолинии; сетевые наводки; патологические сигналы; низкоамплитудные кардиоимпульсы (КИ); непредсказуемые скачки амплитуды КИ.

Общим недостатком всех рассмотренных методов является то, что они, будучи основанными на применении жесткой логики, недостаточно эффективно работают в ССПС, поскольку не учитывают индивидуального разброса параметров биосигналов как в норме,

так и при патологиях. Поэтому необходима разработка нового алгоритма, обеспечивающего

разрешение указанной проблемы.

Во второй главе проведен анализ математических основ обработки ЭКГ-информации как инструмента совершенствования алгоритмов. По результатам анализа сделан вывод о том, что для решения поставленных задач наиболее перспективным оказывается применение коллективных методов, основанных на согласованной агрегации решений. Выявлены некоторые недостатки таких методов, связанные с отсутствием учета индивидуального

разброса параметров, характерного для биосигналов как в норме, так и при патологиях вследствие применения жесткой логики.

Анализ разнообразия коллективных классификаторов и используемых ими признаков является одним из путей решения проблемы выбора системы информативных признаков. Именно эта проблема остро стоит при обработке ЭКГ-информации, особенно при трудных для анализа сочетаниях нормальных и патологических ИЭ ЭКС и в сложных сигнально-помеховых ситуациях при сочетании внешних и внутренних шумов разной природы. Однако наличие пересечений между классами образов ЭКС, вызывающих погрешности при анализе, связано с зашумлением граничных областей классов. В ситуациях, когда рассматриваемый образец попадает в области пересечений классов образов и не удается дать однозначный ответ о его принадлежности к определенному классу, важно получить ответ о степени родства образца с каждым из предполагаемых классов образов, а иногда и определить, что это точно не образец определенного класса образов. Таким образом, можно предположить, что модификация коллективного алгоритма обработки ЭКГ-информации в вариант с нечетким выводом позволит повысить эффективность диагностики сердечно-сосудистых патологий. В связи с этим предлагается задачу обработки ЭКГ-информации рассматривать как нечеткую модификацию задачи коллективного распознавания образов.

Представим схему системы коллективного принятия решения в виде системы нечеткого вывода (СНВ) (рисунок 1), тоща решатели примут вид фаззификаторов Т7,,^,..., ^ (функция принадлежности - пороговая функция), а решатель уровня или мегарешагель, реализующий алгоритм принятия коллективного решения, можно представить в виде оставшейся части СНВ, содержащей базу нечетких правил и дефаззификатор.

,-----------------------1

Рисунок 1 - Схема коллективного принятия решения

Здесь Х - ЭКС, Хк - выбранные признаки, Рк - нечеткие решатели 1-го уровня, показывающие результаты сравнения признаков с их функциями принадлежности в виде степени принадлежности к определенным термам, ¿Г- результат согласованной агрегации функций принадлежности входных признаков, С- результат коллективного решения на основе нечеткой логики.

Тогда решение задачи распознавания будет состоять из двух этапов - отнесение текущего импульса к одному из выходных термов согласно базе нечетких правил и дефаззификации:

Ф,: ЕСЛИ*, это А ] ]... И ...^этоЛ^, ТО 5 это В,

Ф: ЕСЛИ*. этоА.... И ...х этоЛ., ТО^этоЯ. (1)

I 1 |1 п т' I V '

Ф : ЕСЛИ л, это-4 ,...Я...х это А ,Т05это В ,

т 1 т\ п тгг т'

где Рк,к=\..п-входные переменные; 5-выходная переменная; Ал—заданные нечеткие множества с функциями принадлежности.

Результатом нечеткого вывода является четкое значение переменной Сна основе заданных четких значений х ,к=1..п: .

С=ДФ(5,Л.....Б}, (2)

ще ДФ - алгоритм дефаззификации.

гтах 1>г(х)^х

Дефаззификация нечеткого множества у = }тШ по методу центра

тяжести осуществляется по формуле:

_ О/'М^ П)

где у -результат дефаззификации, * - переменная, соответствующая выходной династической переменной, м(х) -функция принадлежности выходной переменной после

этапа аккумуляции. „„„„»

Физическим аналогом процедуры является нахождение центра тяжести плоской

Фигуры между осями координат и функцией принадлежности.

Уравнения вида (1-3) представляют собой коллективное решающее правило на базе нечеткой логики, позволяющее осуществлять принцип согласованной агрегации решении и обеспечивать повышение эффективности обработки ЭКГ-информации в условиях неопределенности. На основе решающего правила создан коллективный алгоритм на базе нечеткой логики (КАНЛ) для обработки электрокардиологическои информации,

^^жГэффЗишюсти работы предложенного алгоритма необходимо создание иерархической системы моделей ЭКГ-информации, отражающей конфигурацию, временно последовательность и длительность реальных КИ. В результате применения подхода к решению проблемы повышения эффективности обработки ЭКГ-информации в ССПС создана система информационных моделей ситуации на входе средства для кардиодиагностики, отвечающая следующим требованиям: адекватное описание ИЭ ЭКС в норме и при патологиях; обеспечение компромисса между простотой и количеством ИЭ ЭКС- иерархичность; обеспечение поэтапного тестирования алгоритмов и систем с целью выявления узких мест и недостатков функционирования для ускорения поиска

НеИСПРОсн^й для синтеза и тестирования алгоритмов распознавания ЭКС является выбор необходимого и достаточного количества классов форм КИ с близкими свойствам^ Для этого на базе данных о наиболее часто встречающихся формах КИ сформулировано их лингвистическое описание:

• односегментныйКИ положительной полярности;

• односегментныйКИ отрицательной полярности;

. двухсегментный двухполярный КИ с первым положительным сегментом; . двухсегментный двухполярный КИ с первым отрицательным сегментом;

• двухсегментный положительный КИ;

• двухсегментный отрицательный КИ;

• трехсегментный КИ с положительным средним сегментом;

• трехсегментный КИ с отрицательным средним сегментом;

• четырехсегментный КИ с положительным средним сегментом;

• четырехсегментный КИ с отрицательным средним сегментом.

Рисунок 2 - Коллективный алгоритм обработки ЭКГ-информации

Графическая интерпретация лингвистических моделей КИ приведена на рисунке 3. Выбранная система признаков достаточно полно характеризует существующие структуры КИ ЭКС однако она слишком громоздка, подобно известным системам, составленным по описательному принципу, и не позволяет производить логические (математические) операции. Поэтому предложено преобразовать данную систему лингвистических моделей в информационно-лингвистическое описание КИ на основе применения многоуровневой иерархической системы моделей, базирующейся на определенных выше информативных элементах ЭКС 1-го, 2-го, 3-го, 4-го и 5-го уровней.

ИЭ",

Рисунок 3 - Примеры ИЭ ЭКС разного уровня

Так как в соответствии с предложенным системным подходом все КИ образованы из ИЭ ЭКС 2-го уровня (положительных и отрицательных сегментов), которые в свою очередь состоят из ИЭ ЭКС 1-го уровня (фронтов, спадов и участков изолинии), то можно записать следующие выражения:

Р№) = ИЭГ П ИЭГ:

= (ИЭ,4 П ИЭГ) П (ИЭГ П ИЭГ)): орд = (ИЭГ п ИЭГ) л (ИЭГ п иэг); У(Х,) = (ИЭГ п ИЭГ) п (ИЭГ п ИЭГ) Л (ИЭГ П ИЭГ); \VCJQ = (ИЭГ П ИЭГ) Л (ИЭГ П ИЭГ)П (ИЭГП ИЭГ") Л (ИЭГ Л ИЭГ);

р*00 = иэглиэг;

П*(Х,) = (ИЭГ Л ИЭГ) Л (ИЭГ Л ИЭГ); С*(Х,) = (ИЭГ Л иэ,4) Л (ИЭ,- Л ИЭГ); у*(Х,) = (ИЭГ Л ИЭГ) Л (ИЭГ Л ИЭГ) Л (ИЭГ л ИЭГ); Ш*(Х.) = (ИЭГ Л ИЭ,4) л (ИЭГ Л ИЭГ)Л (ИЭГ Л ИЭГ) Л (ИЭГ л ИЭ,-). Эти выражения будут справедливы лишь при условии, что ИЭ КИ находятся в конкретном

временном интервале определения ЭКС.

Тогда участок ЭКС любой необходимой для исследовании длины можно записать с помощью системы иерархических моделей ЭКС, соединенных между собой на основе конкатенации ИЭ 1-го и 0-го порядков, например:

ЭКС=< ИЭЛИЭГ, ИЭг.ИЭ,4, ИЭ,, ИЭ,0, ИЭ,4, ИЭ,, ИЭ,0,.. .>. Недостатком такого описания является отсутствие учета временного масштаба. Избежать этого поможет введение принадлежности интервалам:

ЭКС = <ИЭ,°с [/^1, ИЭ,+с ИЭГС ИЭ,^ ИЗ^

[/№,иДЭГе >-

При этом порядковый номер ИЭ ЭКС определяется его местом в кортеже, индексы переменной I характеризуют целочисленное количество дискретных отсчетов, приходящееся на каждый из временных интервалов, которым принадлежат информативные элементы ЭКС 1 -го уровня градации. При построении системы моделей ЭКС в сложных ситуациях "норма/ патология" (ССНП) без учета помех за основу целесообразно взять следующее описание:

НСР - высокоамплитудный КИ;

ЬСР - низкоамплитудный КИ;

НГ - высокоамплитудный Т-зубец;

от -любой Т-зубец, кроме высокоамплитудного;

¡ЗСР -узкий КИ;

БСР - широкий КИ;

вь -участок изолинии любой длительности;

N(111 - нормальный интервал между КИ;

-укороченный интервал между КИ;

МШ1 -удлиненный интервал между КИ;

УЕБ - одиночная желудочковая экстрасистола.

Данные примитивы представляют средний уровень иерархии, так как сами могут быть описаны на основе ИЭ ЭКС нижних уровней, например, как было показано выше.

По результатам анализа атласов ЭКГ и данных по тестированию алгоритмов обработки ЭКГ-информации автором предложен следующий проблемный перечень (лингвистическое описание ССНП):

ССНП!="низкоамплитудный КИ на фоне высокоамплитудных",

ССНП2= "высокоамплитудный КИ на фоне низкокоамплитудных",

ССНП,="высокоамплитудный Т зубец на фоне низкокоамплитудных КИ",

ССНП4="экстрасистолический КИ, подобный артефакту движения",

ССНП5="узкий КИ на фоне широких",

ССНП6="широкий КИ на фоне узких",

ССНП,="широкий КИ на фоне учащенного ритма",

ССНП8="вставочные (интерполированные) экстрасистолы на фоне учащенного риша",

ССНП,="экстрасистолы на фоне сердечных блокад".

Эти ситуации целесообразно представить с помощью предложенного выше формализованного описания в виде информационно-лингвистических моделей, например: ССНП, =<ВЬР, НСР, ОТ, ВЦ Р, НСР, ИТ, ВЦ Р, ЬСР, ОТ, ВЦ Р, НСР, ОТ, В1> -низкоамплитудный КИ на фоне высокоамплшудных.

Для учета временной координаты необходимо определять каждый элемент кортежа на конкретном интервале времени, например, в виде:

ССНП, =<ВЬРС НСРС [/^/^¿.Щ* В1Л [Г^^], Р^ [иЩ

НСРс Щ-с ВЬе Рс 1-СРс ...>

При этом амплтудные значения описываются моделями ИЭ низкого уровня, а участки, характеризующиеся цикличностью, могут повторяться многократно в зависимости от выбора длительности времени тестирования.

Наиболее сложным уровнем формализованного описания ЭКС является моделирование помех различного типа, возникающих в процессе получения й обработки ЭКГ-информации. Обычно применяют стандартные модели синусоидального сигнала при описании сетевой помехи и дрейфа изолинии и ад дитивно накладывают их на сигнал. У такого подхода есть ряд недостатков, так как результирующие сигналы имеют существенные отличия от реальных. Автором предлагается формировать модели ССПС, собирая тестовую последовательность из реальных участков сигнала и помех различного вида, при этом

основываться на заранее определенных наиболее сложных для работы алгоритмов и систем ситуациях.

Лингвистическое описание сложных сигнально-помеховых ситуации дается следующим образом. Внешние помехи:

МА - артефакт движения одиночный; Б1-дрейф изолинии; БР - сетевая помеха; Б А - дыхательная аритмия. Внутренние помехи:

ЕСЮ - помеха от электрической активности желудка; ЕЕв - помеха от электрической активности мозга; ЕМв - помеха от электрической активности мышц; ЕБ - кривая дыхания; БП - стимулирующий импульсы. Система информационно-лингвистических моделей ССПС:

ССПС = "низкоамплитудный КИ на фоне артефакта движения",

ССПС1 = "низкоамплитудный КИ на фоне на фоне дрейфа изолинии",

ССПС2="низкоамплитудный КИ на фоне дыхательной аритмии",

ССПС = "экстрасистола на фоне помехи от активности мышц",

ССПС*="узкий КИ на фоне стимулирующих импульсов",

ССПС' = "широкий КИ на фоне дрейфа изолинии",

ССПС = "широкий КИ на фоне помехи от активности желудка",

ССПС,="низкоамплитудный узкий КИ на фоне помехи от электрической активности

мозга".

Пример информационно-лингвистической модели ССПС: ССПС, =<ВЬР, ЬСР, ОТ, ВЬ, Р, НСР, КТ, ВЬ, Р, ЬСР, N1, ВЬ, Р, МА, ОТ, ВЬ> -низкоамплитудный КИ на одиночного артефакта движения.

Для учета временной координаты в системе моделей ССПС также необходимо определять каждый элемент кортежа на конкретном интервале времени, например в виде:

ССПС1 =<ВЬРС ЬСР<= Ш-е ВЬе [Г^,/^,], Р^

НСРе МТс ВЬс Рс [Л^^МА* [Г^,«], ->•

Модели участков помех, включаемые в ССПС, формируются с помощью включения в кортежи массивов дискретных отсчетов, заданных на конкретных интервалах времени и максимально соответствующих реальным сигнально-помеховым ситуациям. Эти

------------------- м

можно получать с помощью многократного повторения базовых моделей.

В процессе разработки универсальной многоуровневой системы входных моделей ЭКС были получены иерархические формализованные описания трех уровней: система моделей формы КИ; система моделей сложных сшуаций, связанных с различными вариантами нормы и патологии, учитывающая последовательность следования КИ во времени и нарушения их периодичности; и система моделей, описывающая сложные ситуации, связанные с возникновением помех различного вида, как внутренних, так и внешних. Каждый новый уровень системы информационно-лингвистических моделей включает формализованное описание, созданное для более низкого уровня, таким образом, в ней учитываются принципы полноты и иерархичности. Предложенная система моделей позволяет

производить поэтапное тестирование алгоритмов обработки ЭКГ-информации и локализацию при поиске неисправностей, а также обеспечивает всестороннюю проверку эффективности их работы в процессе верификации кардиомониторных систем.

В третьей главе проведена оптимизация разработанного КАНЛ ЭКГ-информации с помощью имитационного моделирования в пакете МшЬаЬ. На первом этапе для нечеткой обработки (НО) использовался алгоритм Мамдани. Анализ проводился потрем признакам. На рисунке 4 представлена структурная схема СНО с тремя анализируемыми параметрами -"Мощность", "Производная" и "Схожесть".

Рисунок 4 - Структурная схема НО с тремя анализируемыми параметрами На рисунке 5 представлена схема нечеткого контроллера на основе алгоритма Мамдани в среде Fuzzy Logic Toolbox MatLab.

Рисунок 5 - Схема нечеткого контроллера на основе алгоритма Мамдани Затем из входного ЭКС синтезируются выбранные признаки. На рисунке 6 представлены графики ЭКС и трех выбранных признаков.

Рисунок 6 - Результаты этапа предварительной обработки ЭКС. Сверху вниз: 1) исходный сигнал, 2) "Производная", 3) "Мощность", 4) "Схожесть"

Каждый признак ("лингвистическая переменная") описывается несколькими термами со своими функциями принадлежности. На рисунке 7 показаны функции принадлежности лингвистической переменной "Мощность".

Рисунок 7 - Функции принадлежности признака "Мощность" В результате анализа входных данных схемы НО получаются значения выходной лингвистической переменной "Результат". Анализируя ее, можно классифицировать тог или иной отсчет как относящийся к классу "Да" или "Возможно". Результат классификации представлен на рисунке 8.

Рисунок 8 - Результаты этапа классификации КИ. Сверху вниз: 1) исходный сигнал, 2) область, классифицированная как "Да", 3) область, классифицированная как "Возможно", 4) результат на выходе

В связи с особенностью алгоритма Мамдани, и, как следствие, с высокой сложностью схемы НО на этапе анализа результатов, было принято решение применить в предложенном алгоритме НО на основе алгоритма Сугено. Результат моделирования на основе алгоритма Сугено показал, что данный алгоритм наиболее удачно реализует поставленную задачу, и позволяет избежать постоянной подстройки порога на этапе анализа данных на выходе.

С целью повышения качества обнаружения в ССНП и ССПС было принято решение дополнительно использовать четвертый признак-"Длительность импульса". Структура системы представлена на рисунке 9.

Рисунок 9 - Структурная схема алгоритма НО (схема Сугено, 4 признака)

15

В качестве анализируемого использовался реальный оцифрованный сигнал с КИ (Т-зубцами) патологической формы, наличие которых существенно осложняет анализ. Входной сигнал представлен на рисунке 10.

Рисунок 10 - Входной сигнал с аномальным Т-зубцом За счет четвертого признака "Длительность импульса" стало возможным отделить Я-зубцы от Т-зубцов (рисунок 11).

Рисунок 11 - Результаты этапа классификации КИ. Сверху вниз: 1) по классу "Да", 2) по классу "Возможно" Таким образом, исследования по подбору и оптимизации параметров предложенного КАНЛ ЭКГ-информации показали целесообразность применения следующих параметров: ал гори™ Сугено; система входных признаков: мощность, коэффициент подобия, производная и продолжительность КИ; метод дефаззификации: взвешенное среднее.

В четвертой главе разработана исследовательская методика для сравнительной оценки эффективности алгоритмов обработки ЭКГ-информации. Методика включает несколько этапов и имеет многоуровневую структуру, включающую предложенную систему информационно-лингвистических моделей ЭКС в сочетании с реальными сигналами с платы ввода-вывода и из международных аннотированных баз данных, она позволяет производить тестирование и верификацию результатов работы алгоритмов и систем для кардиодиагносгаки.

Для верификации алгоритмов и программного обеспечения для кардиодиагностики доступны несколько баз данных стандартных ЭКС. Эти базы содержат аннотацию и обеспечивают воспроизводимые и сопоставимые результаты. Кроме того, эти базы данных

содержат самые разнообразные ЭКС, в том числе сигналы, которые редко наблюдаемы, но представляют высокую клиническую значимость. С целью выбора сертифицированной базы для тестирования проведен поиск и изучение аннотированных международных баз данных ЭКС, доступных в ресурсах Internet, по результатам изучения принято решение в процессе верификации разработанного алгоритма использовать базу MIT-BIH, которая входит в состав средств, рекомендованных для тестирования электрокардиографических систем по стандарту ANSI.

Разработана многоуровневая база тестовых сигналов, дающая возможность комбинировал» реальные ЭКС и помехи различного вида с репрезентативным набором всех классов формы КИ и патологических аритмий.

Для проведения сравнительной оценки эффективности функционирования алгоритмов обработки ЭКГ-информации разработано программное приложение в пакете MatLab, позволяющее моделировать известные и разработанные алгоритмы, реализовать предложенную систему моделей и многоуровневую методику, а также произвести расчет выбранных показателей эффективности алгоритмов и проанализировать результаты. Пример экранной формы разработанного программного приложения представлен на рисунке 12, отдельные модули программ приведены в приложении к диссертации.

Рисунок 12-Пользовательский интерфейс программного приложения Результаты практической оценки эффективности лучшего из отдельных алгоритмов Пана-Томпкинса (ПТ), коллективного алгоритма (КА) и разработанного KAHJI с использованием показателя диагностической эффективности (ДЭ) в качестве критерия эффективности приведены в таблице, представляющей фрагмент результатов исследований для 35 записей, содержащих не менее 2 тысяч КИ ЭКС каждая, с включением помех различного типа и интенсивности.

Расчет показателей эффективности выполнен по общепринятой методике: TP (True Positives) - верно классифицированные положительные примеры (истинно положительные случаи); Ш (True Negatives) - верно классифицированные отрицательные примеры (истинно отрицательные случаи); FN (False Negatives) положительные примеры, классифицированные как отрицательные (ошибка I рода или ложный пропуск); FP{False Positives) - отрицательные примеры, классифицированные как положительные (ошибка II рода или ложное обнаружение). Д ля обобщения результатов рассчитано отношение истинных результатов обнаружения к общему числу КИ ЭКС или ДЭ:

ДЭ = ((TP+TN)/N) х 100%,

где N = TP+TN+FP+FN.

Таблица 1 - Результаты сравнения эффективности алгоритмов

№ записи ЭКС Кол-во КИ Алгоритм ПТ Алгоршм КА Алгоритм КАНЛ

ТР И" И* ТР 1Т га ТР РР га

200 2605 1823 154 782 2187 107 418 1201 98 404

201 1858 1304 98 554 1564 68 294 1564 66 294

202 2038 1425 112 613 1710 78 328 1752 76 286

203 28в2 2015 160 867 2418 112 464 2482 99 400

205 2491 1742 56 1245 2090 39 401 2401 43 90

207 2215 1549 86 666 1938 60 277 2002 60 213

20$ 2823 1530 95 993 2196 66 627 2555 40 288

209 2860 2003 76 857 2403 53 457 2666 55 194

210 2502 1751 59 751 2101 41 401 2221 39 281

214 2134 1493 56 641 1927 39 207 2011 30 123

215 3172 2220 123 952 2664 86 508 2673 77 499

ДЭ 0. 72 0,84 0.88

Как следует из таблицы 1, значение ДЭ алгоритма КАНЛ существенно превышает этот показатель для алгоритмов ПТиКА, демонстрируя положительный эффект применения согласованной агрегации на основе нечеткой логики. Результаты обработки многоуровневой представительной выборки ЭКС также показывают, что алгоритм КАНЛ дает наилучшие результаты, особенно в условиях интенсивных помех, обеспечивая увеличение показателя ДЭ в среднем на 5 % по сравнению с отдельными алгоритмами и алгоритмом КА. Применение алгоритма позволяет повысить надежность работы средств обнаружения КИ ЭКС в составе медицинских информационных систем для кардиодиагностики.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Проанализированы методы помехоустойчивой обработки элеюрокардиологичесюй информации и показаны перспективы применения коллективов решающих правил, основанных на согласованной агрегации решений частных обнаружителей и позволяющих объединить сильные стороны различных алгоритмов в сложных сигнально-помеховых сшуациях.

2. На базе применения теории нечеткой логики разработаны решающее правило и алгоритм, основанный на модернизации коллективного подхода, обеспечивающий повышение эффективности обработки электрокардиографической информации в сложных сигнально-помеховых ситуациях, обеспечивающие адаптацию к индивидуальным изменениям информативных параметров элекгрокардиосигнала.

3. На основе аналитического обзора, эмпирического материала и применения системного подхода разработана многоуровневая система информационно-лингвистических моделей, описывающая электрокардиосигнал в норме и в сложных сигнальных и сигнально-помеховых ситуациях, которая позволяет производить поэтапное тестирование и верификацию алгоритмов и систем для кардиодиагностики. Определены системы критических сигнальных и сигнально-помеховых ситуаций для областей компетенции отдельных алгоритмов обработки ЭКГ-информации, в которых существенно

снижается эффективность принятия решения и повышается вероятность ошибок обнаружения и распознавания кардиосигналов.

4. Результаты исследований по подбору и оптимизации параметров предложенного коллективного алгоритма нечеткой обработки электрокардиологической информации показали целесообразность применения следующих параметров СНВ: алгоритм нечеткого вывода Сугено; оригинальная система входных признаков: мощность; коэффициент подобия; производная и продолжительность импульса; метод дефаззификации; взвешенное среднее.

5. Разработана методика верификации результатов функционирования алгоритмов обработки ЭКГ-информации, позволяющая проводить поэтапную сравнительную оценку эффективности на основе верификации результатов работы авторских алгоритмов и алгоритмов-аналогов с применением международных аннотированных баз ЭКГ-данных. Определены показатели эффективности этих результатов в различных условиях, в том числе, в сложных сигнальных и сигнально-помеховых ситуациях. Алгоритм KAHJI в условиях интенсивных помех обеспечивает увеличение диагностической эффективности в среднем на 5% по сравнению с алгоритмами-аналогами и позволяет повысить надежность работы медицинских информационных систем для кардиодиагностики.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК:

1. Шамин, Е.А. Перспективные направления ЭКГ-анализа/Е. А. Шамин, Е.В. Истомина, Б.А. Истомин, A.A. Лавреев // Известия ЮФУ. Технические науки. Тематический выпуск "Медицинские информационные системы". - Таганрог, 2009. -№ 9. - С. 89-93.

2. Шамин, Е.А. Преимущества применения нечеткого алгоритма при обнаружении информационных участков элекгрокардиосигнала/Е.А. Шамин, Т.В. Истомина//Известия ЮФУ. Технические науки. Тематический вьшуск"Медицинские информационные системы". - Таганрог, 2010. -№ 8. - С. 63-68.

3. Шамин Е.А. Нечеткая модификация коллективных методов обработки биомедицинской информации / Е.А. Шамин, Т.В. Истомина//XXI век: итоги прошлого и проблемы настоящего плюс: Научно-методический журнал. Серия: технические науки. -2012.-№05(09).-С. 21-29.

Публикации в других изданиях:

4. Шамин, Е.А. Применение информационных технологий в медицине./ Е.А. Шамин, Т.В. Истомина // Информационные и управленческие технологии в медицине: Сборник статей II Всероссийской научно-технической конференции. - Пенза: Приволжский Дом знаний, 2008. -С. 23-27.

5. Шамин, Е.А. Перспективы применения нечеткой логики для обработки биосигналов / Е.А. Шамин, Т.В. Истомина // Сборник материалов научной конференции студентов, аспирантов и молодых ученых "Аиуальные проблемы науки и образования". - Пенза: Изд-во ПГТА, 2008. - С. 202-205.

6. Шамин, Е.А. Применение аппарата нечеткой логики для анализа элекгрокардиосигнала / Е. А. Шамин // Инновационные технологии в экономике, информатике и медицине: Сборник статей V межрегиональной научно-практической конференции. - Пенза: ПГТА, 2008.-С. 183-185.

........7. Шамин Е.А. Интернет-технологии в медицинском образовании/Е.А. Шамин, Т.В.

Истомина // Медико-экологические информационные технологии: Сборник статей XI международной научно-технической конференции, посвященной 15-летию кафедры "Биомедицинская инженерия". - Курск: Kl ТУ, 2008. - С. 17-20.

8. Шамин ЕА Применение инфсриационныхтехнопогий с использованием нечеткой логики в поиске информативных участков при исследовании ЭКС / Е.А. Шамин, Т.В. Истомина / Биомедсистемы-2008: Материалы международной конференции. - Рязань, 2008. - С. 26-27.

9 Шамин, Е. А. Нечеткий алгоритм анализа элекгрокардиосигнала / Е. А. Шамин, Т.В. Истомина, Л.Ю'. Кривоногов // Информационные и управленческие технологии в медицине и экологии: Сборник статей III Всероссийской научно-технической конференции. -Пенза:

ПГТА, 2009.-С 29-33.

10 Шамин Е.А. Помехоустойчивый нечеткий алгоритм обнаружения кардиоимпульсов / Е.А. Шамин // Инновационные технологии в экономике, информатике и медицине: Сборник статей VI межрегиональной нгучно-пракгачесюй конференции. -Пенза:

ПГТА, 2009.-С. 71-73.

11 Шамин Е А. Методология проектирования распределенных медицинских систем на основе концептуальных спецификаций / Е.А. Шамин, Т.В. Истомина, В.В. Горюнова, Ю.В. Молодцова, С. А. Аленин // Надежность и качество: Труды международного симпозиума -

Пенза, 2010.-Т. 2.-С. 11-17.

12 Шамин, Е.А. Нечеткий алгоритм обнаружения вершины кардиоимпульса/ ь.А. Шамин Т.В. Истомина// Актуальные проблемы науки и образования: Сборник материалов III научной конференции студентов, аспирантов и молодых ученых. -Пенза: Изд-во ПГТА,

201°13С' Шамин, Е.А. Проблема выбора параметров для анализа элекгрокардиосигнала/ ЕА Шамин ТВ Истомина //Инновационные технологии в экономике, информатике и медицине: Сборник статей VII Межрегиональной научно-практической конференции студентов и аспирантов. - Пенза: ПГТА, 2010. - С. 42-44.

ШАМИН ЕВГЕНИЙ АНАТОЛЬЕВИЧ

КОЛЛЕКТИВНЫЙ АЛГОРИТМ НА БАЗЕ НЕЧЕТКОЙ ЛОГИКИ ДЛЯ ОБРАБОТКИ ЭЛЕКТРОКАРДИОЛОГИЧЕСКОЙ ИНФОРМАЦИИ В СЛОЖНЫХ СИГНАЛЬНО-ПОМЕХОВЫХ СИТУАЦИЯХ

Специальность 05.13.17 - теоретические основы информатики

Автореферат диссертации на соискание ученой степени кандидата технических наук

Компьютерная верстка Д.Б. Фатеева, Е.В. Рязановой

Сдано в производство 23.11.12. Формат 60x84 V16 Бумага типогр. №1. Печать трафаретная. Шрифт Times New Roman Cyr. Усл. печ. л. 1,16. Уч.-изд. л. 1,17. Заказ № 2235. Тираж 100.

Пензенская государственная технологическая академия. 440605, Россия, г. Пенза, пр. Байдукова/ ул. Гагарина, 1*/11.

ВВЕДЕНИЕ

ГЛАВА 1. Анализ информативных элементов электрокардиосигналов, методов их обнаружения и распознавания

1.1 Информативные параметры электрокардиосигнала

1.2 Анализ видов электрокардиографических помех и методов снижения их интенсивности

1.3 Аналитический обзор методов распознавания и принятия решений, применяемых при обработке информативных элементов ЭКС

1.4 Выводы по главе

ГЛАВА 2 Коллективный алгоритм обработки электрокардиографической информации на базе теории нечетких множеств

2.1 Перспективы применения коллективных методов распознавания для повышения помехоустойчивости при обработке ЭКГ-информации

2.2. Обоснование применения теории нечеткой логики для повышения помехоустойчивости при обработке ЭКГ-информации

2.3 Разработка коллективного решающего правила и алгоритма на базе теории нечетких множеств для повышения эффективности обработки электрокардиографической информации в сложных сигнально-помеховых ситуациях

2.4 Системный подход к обработке электрокардиологической информации в условиях интенсивных помех

2.5 Разработка системы информационно-лингвистических моделей информативных участков электрокар диосигнала

2.6 Разработка системы информационно-лингвистических моделей сложных сигнальных и сигнально-помеховых ситуаций

2.7 Выводы по главе

ГЛАВА 3 Разработка и совершенствование коллективного алгоритма обработки элекрокардиосигнала на базе ТНМ

3.1 Обоснование выбора системы нечеткого вывода для коллективного алгоритма обработки электрокардиологической информации

3.2 Формирование системы входных признаков для обработки электрокардиологической информации

3.3 Разработка модели коллективного алгоритма обработки электрокардиологической информации на базе ТНМ

3.4 Результаты исследований по оптимизации параметров коллективного алгоритма обработки электрокардиологической информации на базе ТНМ

3.5 Выводы по главе

ГЛАВА 4. Разработка информационно-методического обеспечения для оценки эффективности работы коллективного алгоритма обработки элекрокардиосигнала на базе ТНМ

4.1 Выбор и обоснование применения баз для верификации

4.2 Методика верификации алгоритмов обработки электрокардиографической информации для кардиомониторных систем

4.3. Разработка системы для верификации алгоритмов обнаружения КИ ЭКС

4.4 Результаты сравнительной оценки эффективности коллективного алгоритма обработки ЭКГ-информации на базе ТНМ

4.5 Выводы по главе 162 Заключение 163 СПИСОК ЛИТЕРАТУРЫ 165 Приложение 1 179 Приложение

Актуальность работы. В современном мире огромное значение имеет постоянное совершенствование информационного обеспечения, в том числе, при обработке медико-биологической информации и принятии решений на основе результатов исследований. Создание эффективных медицинских информационных систем требует разработки информационных моделей сигналов и помех, алгоритмической формализации процессов диагностики и принятия решений, а также совершенствования информационно-методического обеспечения для решения оценочных задач на стадии верификации полученных результатов.

Одним из наиболее информативных биосигналов является электрокар-диосигнал (ЭКС). Многие проблемы, возникающие при автоматической обработке которого сегодня уже решены. Однако особенности получения информации о состоянии сердечно-сосудистой системы в режиме свободной двигательной активности до сих пор вызывают значительные трудности в процессе выделения и обработки информативной составляющей из-за существенного влияния интенсивных помех различного типа, перекрывающихся с ЭКС по своим спектральным и временным характеристикам.

Для эффективной борьбы с помехами и, в конечном итоге, для создания современных помехоустойчивых систем обработки электрокардиографической (ЭКГ) информации исследование электрической активности сердца необходимо проводить в рамках системного подхода к описанию сложных прикладных объектов, к которым относятся биотехнические системы. Поэтому разработка методов и средств обработки ЭКГ-информации должна основываться на системном подходе, заключающемся в учете взаимных связей элементов сложноорга-низованной медицинской системы и биообъекта. Для того чтобы успешно проводить обработку ЭКГ-информации в этих условиях, необходимо выявить причины возникновения, изучить структуру, спектральные и статистические характеристики, параметры, сложные сигнально-помеховые ситуации (ССПС). Понятие сложной сигнально-помеховой ситуации можно определить как совокупность патологических изменений формы сигнала и помеховых условий, затрудняющих анализ ЭКГ

Среди известных методов обработки ЭКГ-информации системный подход наиболее полно реализуется с помощью методов коллективного распознавания, основанных на согласованной агрегации решений отдельных алгоритмов, однако их недостатком является снижение эффективности в условиях неопределенности, вызванных естественным разбросом параметров в норме, при патологиях и интенсивных помехах.

Для повышения точности диагностических заключений необходимо получение достоверной информации о функционировании сердечно-сосудистой системы пациента. В настоящее время отсутствуют достаточно эффективные алгоритмы выделения информативных элементов (ИЭ) ЭКС в условиях сложных сигнально-помеховых ситуациях (ССПС), а также отсутствуют методы и средства для проведения сравнительного анализа эффективности работы различных алгоритмов обработки ЭКГ-информации в условиях ССПС. Кроме того, существующие системы для кардиодиагностики не обеспечивают адаптацию к естественным изменениям сигнала в норме и при патологиях, а также к флуктуациям помех. Все это приводит к уменьшению эффективности результатов диагностики и к снижению качества медицинских услуг в целом.

В настоящее время в России и за рубежом достаточно активно развивается направление по разработке алгоритмов обработки электрокардиологической информации. Большой вклад в создание теоретических основ медицинских информационных систем внесли российские ученые: Н.А.Кореневский, Л. А. Манило, А. П. Немирко, С.В.Селищев, Л.Т.Сушкова, Л. И. Титомир, Щукин С.И. и др. Многие исследователи отмечают эффективность применения для обработки биомедицинской информации относительно нового математического подхода -теории нечетких множеств. Основным отличием такого подхода является возможность учета естественной вариабельности параметров биообъектов в реальном масштабе времени. Однако вопросы применения нечеткой математики для 4 обработки ЭКГ-информации в настоящее время проработаны недостаточно, поэтому в данном направлении необходимо проведение дальнейших исследований.

На основании сказанного выше можно заключить, что повышение эффективности обработки электрокардиографической информации в сложных сигнально-помеховых условиях коллективным алгоритмом на базе нечеткой логики является актуальными задачей научного исследования.

Объект и предмет исследования. Объектом научного исследования является электрокардиологическая информация о состоянии биообъекта; предметом исследования - модели информативных элементов электрокардиосигнала, информационные модели помех и сигнально-помеховых ситуаций и алгоритм обработки, повышающий эффективность работы систем для кардиодиагности-ки.

Целью диссертационного исследования является разработка и верификация коллективного алгоритма нечеткой обработки электрокардиологической информации, обеспечивающего повышение эффективности диагностики состояния биообъекта в сложных сигнально-помеховых ситуациях.

Задачи исследования

1. Разработка системы информационно-лингвистических моделей информативных элементов электрокардиосигнала, помех и сложных сигнальных и сигнально-помеховых ситуаций на основе анализа методов обработки электрокардиографической информации в условиях интенсивных помех, возникающих в процессе ее получения

2. Обоснование и разработка коллективного алгоритма обработки электрокардиологической информации, основанного на нечеткой логике и позволяющего производить адаптацию к естественным изменениям электрокардиосигнала норме и при патологиях и к флуктуациям помех различного вида.

3. Исследование разработанного коллективного алгоритма с нечеткой обработкой электрокардиографической информации на основе моделирования его работы в пакете Ма^аЬ и оптимизация его параметров.

4. Разработка информационно-методического обеспечения проведения верификации разработанного алгоритма в условиях интенсивных помех, анализ результатов исследования и создание программного обеспечения.

Практическая направленность исследования. Анализ проблем информационного обеспечения своевременной диагностики состояния биообъекта; разработка коллективного алгоритма с нечеткой обработкой электрокардиологической информации, разработка системы информационно-лингвистических моделей сигнала, помех и сложных сигнально-помеховых ситуаций; разработка методики верификации результатов исследований.

Разработки в рамках диссертационной работы направлены на совершенствование программного обеспечения для повышения эффективности работы медицинских информационных систем для кардиологии в условиях интенсивных помех для обеспечения их конкурентоспособности на современном рынке медицинской техники.

Методы исследования. Для решения поставленных задач использовались методы цифровой обработки сигналов, теория сигналов, теория нечетких множеств, коллективные методы распознавания, математическая статистика, а также методы имитационного и математического моделирования в среде МшЬаЪ.

Научная новизна полученных результатов

1. Разработана иерархическая система информационно-лингвистических моделей электрокардиосигнала, различных помех и сложных сигнально-помеховых ситуаций, позволяющая формализовать характерные признаки электрокардиографической информации и создать информационно-методическое обеспечение верификации алгоритмов и систем для кардиодиагностики.

2. Синтезирован коллективный алгоритм с нечеткой обработкой электрокардиологической информации, позволяющий повысить диагностическую эффективность за счет адаптации к естественным изменениям электрокардиосигнала в норме и при патологиях и к флуктуациям помех различного вида.

3. По результатам имитационного моделирования работы предложенного коллективного алгоритма на основе нечеткой логики оптимизированы его параметры в следующем сочетании: структура Сугэно, система входных признаков ЭКС мощность, коэффициент подобия, производная и продолжительность кар-диоимпульса; схема дефаззификации по взвешенному среднему.

4. Разработана удовлетворяющая международным нормативам многоуровневая методика оценки работы методов обработки электрокардиографической информации в условиях нормы и сложных сигнально-помеховых ситуаций, отвечающая требованиям универсальности, полноты и иерархичности, отличающаяся расширенными функциональными возможностями и позволяющая проводить верификацию результатов и сравнительный анализ эффективности различных вариантов алгоритмов и систем для кардиодиагностики.

Научные положения, выносимые на защиту

1. Система информационно-лингвистических моделей информативных элементов электрокардиосигнала, сопутствующих помех и сложных сигнально-помеховых ситуаций, позволяющая формализовать логику врача и создать универсальное иерархическое описание электрокардиосигнала.

2. Коллективный алгоритм нечеткой обработки электрокардиографической информации на основе структуры Сугэно, отличающийся сочетанием оригинальной системы входных признаков ЭКС и схемы дефаззификации по взвешенному среднему.

3. Многоуровневая методика проведения верификации результатов исследований алгоритмов и систем для обработки электрокардиографической информации, позволяющая осуществлять их поэтапное тестирование в условиях сложных сигнальных и сигнально-помеховых ситуаций.

Обоснованность и достоверность научных результатов обеспечивается аргументированным применением математического аппарата, основных допущений и ограничений, положительными результатами испытаний и внедрением, подтвержденным соответствующим актом.

Практическая ценность результатов

1. Создание адекватных информационных лингвистических моделей информативных элементов электрокардиосигнала, помех и сложных сигнально-помеховых ситуаций для разработки и тестирования медицинских систем обработки электрокардиографической информации.

2. Разработка новых модулей программного обеспечения, повышающих эффективность работы медицинских информационных систем для кардиологических исследований в условиях интенсивных помех.

Апробация работы. Основные положения и результаты диссертационной работы обсуждены на следующих научно-технических конференциях: V, VI и VII научно-технической конференции «Информационные и управленческие технологии в медицине» (г. Пенза, 2008-2010 г.); I, II и III Научной конференции студентов, аспирантов и молодых ученых «Актуальные проблемы науки и образования» (г. Пенза, 2008 - 2010 г.); II, III и IV Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине» (г. Пенза, 2009 - 2010 г.); Международной конференции «Биомедси-стемы-2008» (г. Рязань, 2008 г.); Международном симпозиуме «Надежность и качество» (Пенза, 2010 г.); Международной конференции «Медицинские информационные системы» (г. Таганрог, 2009, 2010 г.).

Публикации. По теме диссертации опубликовано 12 печатных работ, из них - 3 публикации в журналах, рекомендованных ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, выводов, списка использованной литературы из 153 наименований. Диссертация изложена на 178 листах машинописного текста и содержит 59 рисунков, 6 таблиц.

4.5 Выводы по главе

1) Разработана многоуровневая методика верификации результатов работы алгоритмов обработки ЭКГ информации, позволяющей проводить поэтапную сравнительную оценку на основе верификации результатов работы авторских алгоритмов и алгоритмов-аналогов с применением международных аннотированных баз ЭКГ-данных и определены показатели эффективности этих результатов в различных условиях, в том числе, в сложных сигнальных и сиг-нально-помеховых ситуациях.

2) Создано программное приложение в пакете Матлаб, позволяющее моделировать известные и разработанные алгоритмы, реализовать предложенную систему моделей и многоуровневую методику, а также произвести расчет выбранных показателей эффективности алгоритмов и анализировать полученные результаты.

3) Результаты, полученные на основе анализа большого количества примеров ЭКС различной структуры и происхождения показывают, что алгоритм КАНВИ дает наилучшие результаты, особенно в условиях интенсивных помех, обеспечивая увеличение показателя ОДЭ в среднем на 5 % по сравнению с отдельно взятыми алгоритмами и алгоритмом САР, что позволяет повысить надежность работы средств обнаружения КИ ЭКС в составе приборов и систем для кардиодиагностики.

Заключение

Проведенные в диссертационной работе исследования позволяют сделать следующие выводы.

Проанализированы методов помехоустойчивой обработки электрокардиологической информации и показаны перспективы применения коллективов решающих правил, основанных на согласованной агрегации решений частных обнаружителей и позволяющих объединить сильные стороны различных алгоритмов в сложных сигнально-помеховых ситуациях.

2) На базе применения теории нечетких множеств разработаны решающее правило и алгоритм, основанный на модернизации коллективного подхода, обеспечивающий повышение эффективности обработки электрокардиографической информации в сложных сигнально-помеховых ситуациях позволяющие за счет адаптации к индивидуальным изменениям информативных параметров электрокардиосигнала.

3)На основе аналитического обзора, эмпирического материала и применения системного подхода разработана многоуровневая система информационно-лингвистических моделей, описывающая электрокардиосигнал в норме и в сложных сигнальных и сигнально-помеховых ситуациях и позволяющая производить поэтапное тестирование и верификацию алгоритмов и систем для кар-диодиагностики. Определены системы критических сигнальных сигнально-помеховых и ситуаций для областей компетенции отдельных алгоритмов обработки ЭКГ-информации, в которых существенно снижается эффективность принятия решения и повышается вероятность ошибок обнаружения и распознавания кардиоимпульсов.

4) Результаты исследований по подбору и оптимизации параметров предложенного коллективного алгоритма нечеткой обработки электрокардиологической информации показали целесообразность применения следующих параметров СНВ: алгоритм нечеткого вывода Сугэно; оригинальная система входных признаков: мощность, коэффициент подобия, производная и продолжительность импульса; метод дефаззификации: взвешенное среднее.

5) Разработана многоуровневая методика верификации результатов работы алгоритмов обработки ЭКГ информации, позволяющая проводить поэтапную сравнительную оценку на основе верификации результатов работы авторских алгоритмов и алгоритмов-аналогов с применением международных аннотированных баз ЭКГ данных и определены показатели эффективность этих результатов в различных условиях, в том числе, в сложных сигнальных и сиг-нально-помеховых ситуациях, при этом алгоритм КАНВИ в условиях интенсивных помех обеспечивает увеличение диагностической эффективности в среднем на 5 % по сравнению с алгоритмами-аналогами, что позволяет повысить надежность работы медицинских информационных систем для кардиоди-агностики.

1. Акимов П. С., Евстратов Ф. Ф., Захаров С. И. и др. Обнаружение радиосигналов. Под ред. А. А. Колосова. М.: Радио и связь, 1989.

2. База данных электрокардиосигналов URL: http://www.physionet.org (дата обращения 12.11.2009).

3. Бакалов В.П. Основы биотелеметрии -М.: Радио и связь, 2001.

4. Барановский А. Д., Калиниченко А. И. Кардиомониторы. Аппаратура непрерывного контроля ЭКГ. М.: Радио и связь, 1993. 112 с.

5. Башкина Е.М., Егоров А.И., Трапезин В.Е. Построение диагностических алгоритмов анализа кардиосигналов коллективом решающих правил. Информационные процессы, 3(1), 2001. С. 70-72.

6. Биофизические характеристики тканей человека. Справочник. Под. ред. В. А. Березовского и H.H. Колотилова. Киев: Наукова думка, 1990. 48 с.

7. Богатов Н.М., Гук В.Ф. Сравнительный анализ методов распознавания электрокардиограмм. Успехи современного естествознания. 2006. - № 1 - С. 71-72.

8. Бонгард М. М., Проблема узнавания. М.: Наука, 1967.

9. Валужис А.К., Лосинксне Л.В. и др. Структурный анализ электрокардиосигналов. // Математическая обработка медико-биологической информации. М.: Наука, 1976,- С. 182-192.

10. Валужис А.К., Рашимас А.П. Статистический алгоритм структурного анализа ЭКС. // Кибернетика, 1979. № 3. - С. 91-95.

11. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. М.: Наука, 1974.

12. Вычислительная система Matlab. URL: http://www.mathworks.com. (дата обращения: 06.11.2010).

13. Горелик А.Л., Скрипкин В.А. Методы распознавания. Изд.2. -М.: Высшая школа, 1984. 219 с.

14. Городецкий В.И., Серебряков C.B. Методы и алгоритмы коллективного распознавания: обзор // Труды СПИИРАН. Вып. 3, т. 1. — СПб.: Наука, 2006.

15. ГОСТ Р ИСО 9000-2001. Системы менеджмента качества. Основные положения и словарь. М.: ГОССТАНДАРТ РОССИИ, 2001

16. Гусев А. В., Романов Ф. А. Медицинские информационные системы. Петрозаводск: ПетрГУ, 2005. 404 с.

17. Доклад «Концепция развития здравоохранения до 2020 года». URL: www.zdravo2020.ru. (дата обращения: 11.05.2010).

18. Дощицин В.Г. Клиническая диагностика сердечных аритмий. М.: Медицина, 1983.

19. Дроздов Д. В. Персональный компьютер в качестве электрокардиографа — за и против. // Компьютерные технологии в медицине,- М:.1996. №1. С. 18-23.

20. Дроздов Д. В., Леванов В.М. Автоматический анализ ЭКГ: проблемы и перспективы // Здравоохранение и медицинская техника. 2004. №1. С. 48-56.

21. Дроздов Д.В. Высокие медицинские технологии в практику функциональной диагностики. Обозрение. Медтехника. №5, май 2007. http://www.altonika.ru/article.php?id=338

22. Дьяконов В. П. Абраменкова И. С. MATLAB. Обработка сигналов и изображений. Питер, 2002. 57 с.

23. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер.с англ. М.: Мир, 1978. 510 с.

24. Жуковский В.Д. Медицинские электронные системы. М.: Медицина,1988.

25. Журавлев Ю.И., Камилов М.М., Туляганов Ш.Е. Алгоритмы вычисления оценок и их применение. Т.: Фан, 1974, 48 с.

26. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М. ФАЗИС, 2006. 176 с.

27. Заде, Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

28. Зудбинов Ю. И. Азбука ЭКГ. М.: Медицина для вас. 2003. 160 с.

29. Исаков И. И., Кушаковский М. С., Журавлева Н. Б. Клиническая электрокардиография. Л.: Медицина, 1974.

30. Истомин Б.А. Система и алгоритм обнаружения информативных импульсов электрокардиосигнала в условиях интенсивных помех. Дис. . кан. техн. наук: 05.11.17. Пенза, 2011. 198 с.

31. Истомина Т.В., Кривоногов Л.Ю., Полубабкин Ю.В., Шляндин В.М. Возможности структурного подхода к вопросу классификации ^ДО-комплексов ЭКС. Пенза: Пенз. политехи, ин-т, 1987. - Деп. в ЦБ НТИ Минмедпрома 15.05.87, №39МП.

32. Истомина Т.В., Кривоногов Л.Ю. Сравнительный анализ алгоритмов обнаружения информативных импульсов ЭКС // Информационно-измерительная техника: Межвуз. сб. науч. тр. Пенза: Изд-во Пенз. гос. ун-та, 2002, - Вып. 26, -С. 91-98.

33. Истомина Т.В., Кривоногов Л.Ю. Обработка электрокардиосигнала с помощью аппарата нечеткой логики. Динамические и технологические проблемы механики конструкций и сплошных сред: Мат. XI между нар. симп. М., Изд-во МАИ, 2005. С. 175-176.

34. Истомина Т.В., Кривоногов Л.Ю., Шамин Е.А. Нечеткий алгоритм анализа электрокардиосигнала. Информационные и управленческие технологии в медицине и экологии. Сборник статей. Пенза ПДЗ, 2009. С. 49-52.

35. Истомина Т.В., Кривоногов Л.Ю., Шамин Е.А. Адаптивный нечеткий обнаружитель кардиоимпульсов. Материалы 26 Международной конференции IT+SE"09. Осенняя сессия. Украина, Крым, Ялта-Гурзуф. Прил. к журналу «ОТКРЫТОЕ ОБРАЗОВАНИЕ» 2009., С. 131-132.

36. Кривоногов, J1. Ю. Методы и алгоритмы помехоустойчивой обработки электокардиографической информации: Дис. кан. техн. наук: 05.13.01. Пенза, 2003. 228 с.

37. Кривоногов, J1. Ю. Перспективы применения нечеткой математики для анализа электрокардиосигнала. Информационно-измерительная техника: Межвуз. сб. науч. тр. Пенза: Изд-во Пенз. гос. ун-та, 2006. - Вып. 31. С. 145149.

38. Круглов В.В. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

39. Ладяев Д. А. Алгоритм обнаружения QRS-комплексов ЭКГ сигналов на основе вейвлет-преобразования: Дис. . кан. техн. наук: 05.11.17, Саранск, 2007. 184 с.

40. Лапий В. Ю., Калюжный А. Я., Красный Л. Г. Устройства ранговой обработки информации К.: Техшка, 1986.

41. Леоненков A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2003.

42. Малла С. Вейвлеты в обработке сигналов: пер. с англ. М.: Мир, 2005.212 с.

43. Миркин Б. Г. Проблема группового выбора. М.: Наука, 1974. 342 с.

44. Морман Д. Г., Хеллер J1. П. Физиология сердечно-сосудистой системы. С-Пб: Питер, 2000. 256 с.

45. Мурашко В.В., Струтынский A.B. Электрокардиография // Учебное пособие. Изд. 6-е. М.: МЕДпрессинформ, 2004, 320 с.

46. Нагин В.А., Потапов И.В., Селищев C.B. Выделение QRS-комплексов в компьютерных ЭКГ системах. // Биомедприбор-2000: Тр. международн. конф, т. 1.-М.:ВНИИМП-ВИТА РАМН, 2000.- С. 120-121.

47. Назаренко Г. И., Гулиев Я. И. Медицинские информационные системы: теория и практика. М.: Физматлит, 2005. 320 с.

48. Орлов В. Н. Руководство по электрокардиографии. М.: Медицина, 1984.528с.

49. Официальный сайт ВОЗ «Доклад о состоянии здравоохранения в мире». URL: www.who.int/ru. (дата обращения: 04.09.2009).

50. Плонси Р., Барр Р. Биоэлектричнество. Количественный подход. -М.: Мир, 1992.

51. Прикладные нечеткие системы/ Под ред. Т. Тэрано, К. Асаи, М. Сугэно. М.: Мир, 1993.

52. Подклетнов С.Г. Вейвлет-преобразование электрокардиосигнала для компьютерных систем диагностики ишемической болезни сердца. Дисс. . к.т.н., СПб., 2005.

53. Попечителев Е.П., Кореневский H.A. Электрофизиологическая и фотометрическая медицинская техника. Теория и проектирование. Учебное пособие М.: Высшая школа, 2002.

54. Пупков К.А. Методы робастного, нейро-нечеткого и адаптивного управления / Н.Д. Егупов, В.Ю. Зверев, В.Г. Коньков, JI.T. Милов. М.: Издательство МГТУ им. Н.Э. Баумана, 2002.

55. Рангайян Р. М. Анализ биомедицинских сигналов. Практический подход / пер. с англ. под ред. А.П. Немирко. М.: ФИЗМАТЛИТ, 2007. 440 с.

56. Растригин J1.A., Эренштейн Р.Х. Метод коллективного распознавания. -М.: Энергоиздат, 1981.

57. Сергиенко А. Б. Цифровая обработка сигналов. СПб.: Питер, 2003. 604 с.

58. Синицын С. В., Налютин Н. Ю. Верификация программного обеспечения.1. М.:БИНОМ, 2008, 368 с.

59. Смирнов Ю.М., Воробьев Г.Н., Потапов Е.С., Сюзев В.В. Проектирование специализированных информационно-вычислительных систем. Под. ред. Ю.М. Смирнова. -М.: Высшая школа, 1984.

60. Смоленцев Н.К. Основы теории вейвлетов. Вейвлеты в MATLAB- М.: ДМК Пресс, 2005.

61. Терехов С. А. Вейвлеты и нейронные сети. URL: http://www.niisi.m/iont/ni/Library/School-2001/Terekhov-2001.pdf. (дата обращения: 09.07.2010).

62. Томпкинс У., Уэбстер Дж. Микропроцессорные медицинские системы. Проектирование и применение. М.: Мир, 1983.

63. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер. с англ. Под ред. Ю. И. Журавлева. М.: Мир, 1978. 410 с.

64. Уидроу Б., Стирнз С. Адаптивная обработка сигналов. М.: Радио и связь. 1989. 440 с.

65. Уинстон П. Искусственный интеллект: Пер. с англ. М.: Мир, 1980. 520 с.

66. Фихман М. И. Методы и средства оценки достоверности результатов автоматического анализа ЭКГ при длительном мониторировании. Дис. . кан. тех. наук: 05.11.17, Новосибирск, 2004. 187 с.

67. Фор А. Восприятие и распознавание образов/ Пер. с фр. A.B. Середин-ского. Под ред. Г.П. Катыса. -М.: Машиностроение, 1989.

68. Фу К. Структурные методы в распознавании образов: Пер. с англ. /Под. ред. М. А. Айзермана. -М.: Мир, 1977. 320 с.

69. Фу К. Последовательные методы в распознавании образов и обучении машин.- М.: Наука, 1971.

70. Фукунага К. Введение в статистическую теорию распознавания. М.: Наука, 1979.

71. Хан М.Г. Быстрый анализ ЭКГ. М.: Бином, 2000. 286 с.

72. Харатьян, Е. И. Математическая обработка сигналов в системе монито-рирования электрокардиограмм: Дис. . кан. техн. наук: 05.13.01. М., 1997. 167 с.

73. Харкевич А. А. Борьба с помехами. М.: Наука, 1965. 144 с.

74. Хемминг Р. В. Цифровые фильтры. М.: Сов. Радио, 1980. 224 с.

75. Шахов Э. К. Повышение помехоустойчивости цифровых средств измерения. Пенза: ППИ, 1983. 48 с.

76. Краморенко Н.В. Базы данных: Учебное пособие. Владивосток: ТИ-ДОТ ДВГУ, 2004. - 85 с.

77. Штовба С.Д. Проектирование нечетких систем средствами Matlab. М.: Горячая линия-Телеком, 2007.

78. Юдаш К. Высокие медицинские технологии в практику функциональной диагностики. журнал Обозрение. Медтехника №5, 2007 -http://www.altonika.rn/article.php7icN33

79. Ярцева Е. С. Обработка электрокардиосигнала вейвлет-методом. Таганрог: ТРТУ. 2000. С. 12-16.

80. Ahmadian A. ECG feature extraction using daubechies wavelets Tehran University of Medical Sciences (TUMS), Tehran. 2005. pp.128-134.

81. American Heart Association, AHA Database,ECRI, 5200 Butler Pike, Plymouth Meeting, PA 19462 USA/

82. ANSI-AAMI EC 18-1982 American National Standart for Diagnostic electrocardiographic Devices, American Association for the Advancement of Medical Instrumentation. Arlington, Virg.-1983.

83. ANSI/AAMI EC 13:2002 «Cardiac monitors, heart rate meters, and alarms», «ANSI/AAMI EC 38:1998 Ambulatory Electrocardiographs».

84. Bellman R.E., Zadeh L.F. Decision-Making in Fuzzy Environment // Management Science. 1970. - №4. - p. 141-164.

85. Clifford G. D., Azuaje F, McSharr P. E. Advanced Methods and Tools for ECG Data Analysis. Artech House, Inc. 2006.

86. Jenkins J. Ann Arbor Electrogram Libraries, Available: http://electrogram.com/.

87. J.H. van Bemmel and J.L. Williams, "Standardisation and validation of medical decision support systems: The CSE project," Methods Inform. Med., vol. 29, pp. 261-262, 1990.

88. Kohler B-U, Hennig C, Orglmeister R. The Principles of Software QRS Detection.// IEEE Engineering in Medicine and Biology. January/February 2002, p.42-57.

89. Massachusetts Institute of Technology.MIT-BIH ECG database. Available :http://ecg.mit.edu/.

90. Massachusetts General Hospital, Massachusetts General Hospital/Marquette Foundation Waveform Database, Dr. J. Cooper, MGH, Anesthesia Bioengineering Unit, Fruit Street, Boston, MA

91. Medical electrical equipment, Part 3, Particular requirement for the essential perfomance of recording and analysing electrocardiographs. // IEC.- Geneva.-1996.-75p.

92. National Research Council (CNR). European ST-T Database. Institute of Clinical Physiology, Dept. of Bioengieering and Medical Informatics, Pisa, Italy. Available: http://www.ifc.pi.cnr.it/

93. Physikalisch-Technische Bundesanstalt. ECG Reference Data Set. Available: http://www.berlin.pt b.de/8/83/83 1/ dbaccess/ecgre fdataset.html

94. P. Laguna, R.G. Mark, A. Goldberger, and G.B. Moody, "A database for evaluation of algorithms for measurement of QT and other waveform intervals in the ECG," Comput. Cardiology, vol. 24, pp. 673-676, 1997.

95. Pan J., Tompkins W. A real-time QRS detection algorithm // IEEE Trans. Biomed. Eng. 1985. pp. 230-236.

96. Poli R., Cagnoni S. Genetic design of optimum linear and nonlinear QRS detectors // IEEE Trans. Biomed. 1995. pp. 1137-1141.

97. Removing 60Hz from ECG using digital band stop filter. URL: http://www.scienceprog.com/ (дата обращения: 02.04.2009).

98. Sahambi J., Tandon S., Bhatt R. Using Wavelet Transforms for ECG characterization, IEEE Engineering in medicine and biology, v. 16, 1997, 77.

99. Sipola T. ECG processing detection RR // Thesis in Information Technology. 1980. pp. 12-14.

100. VTT Technical Research Center of Finland. IMPROVE Data Library. Available: http ://www.vtt. fi/tte/samba/proj ects/improve/

101. Баевский P.M. Прогнозирование состояний на грани нормы и патологии, М: Медицина. 1979. 298 страниц

102. Мельник О.В., Михеев А.А., Нечаев Г.И. Трансформация спектров сигналов датчиков в измерительных системах // Датчики и системы, № 1. Индекс 79363.2010. С. 39-42.

103. Levkov Ch.L., Michov G., Ivanov R., Daskalov I.K. Subtraction of 50 Hz interference from the electrocardiogram. //Medical & Biological Engineering & Computing, July 1984

104. Kaiser W, Findeis M. Artifact Processing During Exercise Testing. Journal of Electrocardiology, Vol 32 Supplement: 212-219,1999.

105. M. Bahoura, M. Hassani, and M. Hubin, "DSP implementation of wavelet transform for real time ECG wave forms detection and heart rate analysis," Comput. Methods Programs Biomed., vol. 52, no. 1, pp. 35-44, 1997

106. V.X. Afonso, W.J. Tompkins, T.Q. Nguyen, and S. Luo, "ECG beat detection using filter banks," IEEE Trans. Biomed. Eng., vol. 46, pp. 192-202, 1999.

107. P.S. Hamilton and W.J. Tompkins, "Quantitative investigation of QRS detection rules using the MIT/BIH arrhythmiac database," IEEE Trans. Biomed. Eng., vol. 33, pp. 1157-1165, 1986.

108. H. Inoue, S. Iwasaki, M. Shimazu, and T. Katsura, "Detection of QRS complex in ECG using wavelet transform" (in Japanese), IEICE Gen. Conf., vol. 67, no. A4, p. 198, Mar. 1997.

109. B.-U. Köhler, C. Hennig, and R. Orglmeister, "QRS detection using zero crossing counts," submitted for publication, 2001.

110. C. Li, C. Zheng, and C. Tai, "Detection of ECG characteristic points using wavelet transforms," IEEE Trans. Biomed. Eng., vol. 42, pp. 21-28, 1995.

111. L.R. Rabiner, "A tutorial on hidden Markov models and selected applications in speech recognition," Proc. IEEE, vol. 77, pp. 257-286, Feb. 1989.

112. Y. Sun, S. Suppappola, and T.A. Wrublewski, "Microcontroller-based realtime QRS detection," Biomed. Instrum. Technol., vol. 26, no. 6, pp. 477-484, 1992.

113. S. Suppappola and Y. Sun, "Nonlinear transforms of ECG signals for digital QRS detection: A quantitative analysis," IEEE Trans. Biomed. Eng., vol. 41, pp. 397400, 1994.

114. K.S. Fu, "A step towards unification of syntactic and statistical pattern recognition," IEEE Trans. Pattern Anal. Machine Intell., PAMI-5, pp. 200-205, Mar. 1983.

115. Y.H. Hu, W.J. Tompkins, J.L. Urrusti, and V.X. Afonso, "Applications of artificial neural networks for ECG signal detection and classification," J. Electrocardi-ology, vol. 26 (Suppl.), pp. 66-73, 1993.

116. T. Kohama, S. Nakamura, and H. Hoshino, "An efficient R-R interval detection for ECG monitoring system," IEICE Trans. Inf. Syst., E82-D, no. 10, pp. 14251432, Oct. 1999

117. A. Ruha, S. Sallinen, and S. Nissila, "A real-time microprocessor QRS detector system with a 1-ms timing accuracy for the measurement of ambulatory HRV," IEEE Trans. Biomed. Eng., vol. 44, pp. 159-167, 1997.

118. J.S. Sahambi, S.N. Tandon, and R.K.P. Bhatt, "Using wavelet transforms for ECG characterization. An on-line digital signal processing system," IEEE Eng. Med. Biol. Mag., vol. 16, pp. 77-83, 1997.

119. G. Vijaya, V. Kumar, and H.K. Verma, "ANN-based QRS-complex analysis of ECG," J. Med. Eng. Technol., vol. 22, no. 4, pp. 160-167, 1998.

120. Q. Xue, Y. H. Hu, and W. J. Tompkins, "Neural-network-based adaptive matched filtering for QRS detection," IEEE Trans. Biomed. Eng., vol. 39, pp. 317-329, 1992.

121. E.J. Ciaccio, S.M. Dunn, and M. Akay, "Biosignal pattern recognition and interpretation systems," IEEE Eng. Med. Biol. Mag., pp. 269-273, 1994.

122. S. Kadambe, R. Murray, and G.F. Boudreaux-Bartels, "The dyadic wavelet transform based QRS detector," in 1992 Conf. Rec. 26th Asilomar Conf. Signals, Systems and Computers, vol. 1, pp. 130 -134.

123. S. Kadambe, R. Murray, and G.F. Boudreaux-Bartels, "Wavelet transform-based QRS complex detector," IEEE Trans. Biomed. Eng., vol. 46, pp. 838-848, 1999.

124. G. Papakonstantinou, E. Skordalakis, and F. Gritzali, "An attribute grammar for QRS detection," Pattern Recognit., vol. 19, no. 4, pp. 297-303, 1986

125. V. Di-Virgilio, C. Francaiancia, S. Lino, and S. Cerutti, "ECG fiducial points detection through wavelet transform," in 1995

126. IEEE Eng. Med. Biol. 17th Ann. Conf. 21st Canadian Med. Biol. Eng. Conf., Montreal, Quebec, Canada, 1997, pp. 1051-1052

127. M. Fernandez-Delgado and S.B. Ameneiro, "MART: A multichannel ART-based neural network," IEEE Trans. Neural Networks, vol. 9, pp. 139-150, 1998

128. N.V. Thakor and J.G. Webster, "Design and evaluation of QRS and noise detectors for ambulatory e.c.g. monitors," Med. Biol. Eng. Comput., vol. 20, no. 6, pp. 709-714, 1982

129. B.C. Yu, S. Liu, M. Lee, C.Y. Chen, and B.N. Chiang, "A nonlinear digital filter for cardiac QRS complex detection," J. Clin. Eng., vol. 10, pp. 193-201, 1985

130. L. Sornmo, O. Pahlm, and M.-E. Nygards, "Adaptive QRS detection: A study of performance," IEEE Trans. Biomed. Eng., BME-32, pp. 392-401, June 1985

131. J.K. Udupa and I. Murthy, "Syntactin approach to ECG rhythm analysis," IEEE Trans. Biomed. Eng., BME-27, pp. 370-375, July 1980

132. Ligtenberg and M. Kunt, "A robust-digital QRS-detection algorithm for arrhythmia monitoring," Comput. Biomed. Res., vol. 16, pp. 273-286, 1983

133. L. Zadeh.Fuzzy sets. Information and Control, 8:338-353, 1965.

134. Kosko B. Fuzzy Systems as Universal Approximators // IEEE Trans, on Computers. 1994. Vol. 43. №11. P.1329 1333.

135. Шамин E.A. Перспективные направления ЭКГ-анализа/ Шамин Е.А., Истомина Е.В., Истомин Б.А., Лавреев А.А.// «Медицинские информационные системы»: известия ЮФУ. Технические науки. Тематический выпуск. Таганрог, 2009.-№9.-С.89-93.

136. В. В. Кругл ов Сравнение алгоритмов Мам дани и Сугэно в задаче аппроксимации функции. Электронный математический и медико-биологический журнал. ТомЗ: 2001 г.

137. Шамин Е.А. Применение информационных технологий в медицине./ Шамин Е.А., Истомина Т.В//Сборник статей II Всероссийской научно-технической конференции «Информационные и управленческие технологии в медицине», Пенза: Приволжский Дом знаний, 2008.

138. Шамин Е.А. Применение аппарата нечеткой логики для анализа электрокардиосигнала. / Шамин Е.А., Истомина Т.В.// Сборник статей V меж-регион. НПК «Иннова-ционные технологии в экономике, информатике и медицине», Пенза, ПГТА, 2008 г.-С.:

139. Фадин B.C. Алгоритмы выделения QRS-комплекса в ЭКГ. URL: http://ilab.xmedtest.net/?q=node/126/vud-votes&page=74. (дата обращения: 09.08.2011).

140. Поркуян О.В., Кузнецова Е.В. Анализ нечетких моделей Мамдани и Сугэно применительно к процессам магнитной сепарации. СевероДонецк: 2011е <- /I О^е /-(-1-/ е ^1. УТВЕРЖДАЮ»

141. Проректодпо учебной работе ПГТАоб использовании результатов кандидатской диссертационной работы

142. ШАМИНА ЕВГЕНИЯ АНАТОЛЬЕВИЧА

143. Информационные технологии и менеджмент в медицинских и биотехнических системах»,д.т.н., профессор1. Т.В. Истомина

144. Члены комиссии: д.м п. проф.д.м.н. проф.к.м.н. доц.А

145. Ь.Г. Искендеров А И Сафронов• Л.А Филиппова4V Ого ^